Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | ||||||
2 | 3 | 4 | 5 | 6 | 7 | 8 |
9 | 10 | 11 | 12 | 13 | 14 | 15 |
16 | 17 | 18 | 19 | 20 | 21 | 22 |
23 | 24 | 25 | 26 | 27 | 28 |
Tags
- 밑바닥부터 시작하는 딥러닝
- word2vec
- 다층 퍼셉트론
- 밑바닥부터 시작하는 딥러닝2
- F분포
- 머신러닝
- 히스토그램
- 차원축소
- 은준아 화이팅
- 오래간만에 글쓰네
- 파이썬 pandas
- 텐서플로2와 머신러닝으로 시작하는 자연어처리
- 감성분석
- student t분포
- 텍스트 분류
- 가설검정
- 모두의 딥러닝
- 코사인 유사도
- 결정계수
- rnn
- 자연어 처리
- 기술통계학
- 군집화
- 기초통계
- 구글 BERT의 정석
- 회귀분석
- numpy
- 최소자승법
- Django
- Pandas
Archives
- Today
- Total
목록트랜스포머 (1)
데이터 한 그릇
어텐션(Attention)
어텐션의 구조 지금까지 배운 seq2seq를 한층 더 강력하게 하는 `어텐션 메커니즘` 을 알아볼 것. 먼저 seq2seq 의 문제를 살펴보고 그 후에 어텐션의 구조를 설명. seq2seq의 문제점 먼저 다시 복습할겸 Encoder의 원리로 돌아가면, Encoder 에 입력 데이터, 시퀀스 데이터를 넣어주면 LSTM 계층을 거쳐서 입력 데이터를 고정된 길이의 벡터로 만들어준다. 여기서 고정된 벡터가 효율적으로 보였지만 사실 이게 큰 문제다. 인코더에서 입력 데이터를 고정된 길이로 바꾸기 때문에 손실된 정보들이 존재한다. 즉, 문장이 아무리 길어도 고정된 길이의 벡터로 바꾸기 때문에 손실되는 정보가 발생한다. 따라서 이러한 이유로 Encoder 를 개선해애ㅑ 한다. (문제 1 : Encoder 가 입력 시..
NLP/밑바닥부터 시작하는 딥러닝
2022. 1. 25. 12:40